一种基于FMEA的故障诊断贝叶斯网络快速构建方法

贝叶斯网络(BN)建模问题一直是其在故障诊断应用领域的瓶颈,实际的工程系统中,贝叶斯网模型构建存在许多困难,提出一种基于故障模式影响分析(FMEA)的BN建模技术.首先,在分析现有FMEA所包含的故障信息基础上,提出基于单条FMEA记录的贝叶斯网络片段构建方法;然后,利用故障模式与故障原因因果传递关系将贝叶斯网络片段集成为系统贝叶斯网络模型;最后,以某型飞机前轮转弯系统为例进行BN模型构建和分析.结果表明:本文基于FMEA建立的BN模型不仅避免了传统建模过程中对大量工程经验的需求,并且突破了FMEA定性分析能力,能够有效融合多源信息对工程系统进行定量分析和故障诊断.     

一种求解D-S诊断识别框架方法

利用D-S证据理论进行故障诊断时,首先需准确地确定出诊断识别框架,这是D-S故障诊断的先决条件.在导弹武器等复杂系统中,存在着故障原因与故障征兆之间关联关系不确定的现象,增加了求取诊断识别框架的困难.为此,提出了一种求取复杂系统的D-S诊断识别框架方法.首先,基于基本诊断模型,给出了诊断贝叶斯网络模型.以及求解诊断贝叶斯网络模型的方法;然后,给出了征兆集合等概念以及求解故障识别框架的方法;最后,通过示例验证了方法的正确性.     

三种系统可靠性评估方法的比较与分析

故障树、故障Petri网和贝叶斯网络是评估系统可靠性、安全性的三种重要模型。其中,故障树在工程中应用最广,而后两种模型其各自具有不可替代的优点,可以弥补故障树在实际应用中的不足。在介绍三种模型的基础上,通过对故障树向故障Petri网转化方法、故障树向贝叶斯网络转化方法的研究,给出描述三种模型的典型逻辑关系等价结构图的表格,揭示三种模型的内在联系。结合该表,提出故障Petri网向贝叶斯网络的转化方法。同时,利用上述三种模型对导弹发动机故障进行对比分析,结果表明故障Petri网使故障传播过程一目了然,而通过故障Petri网络或故障树转化而来的等价贝叶斯网络可计算出更多定量结果。     

基于贝叶斯的航空备件需求研究与应用

鉴于目前航空备件需求计算应用泊松公式存在计算结果误差较大的问题,依据历史故障数据并应用广义更新过程建立反映历史故障数据以及维修能力的可靠性分布模型,同时针对目前历史故障数据主要是小样本事件,应用贝叶斯方法并采用切片采样法对可靠性分布模型进行参数估计。最后通过实例进行分析,结果表明实际故障次数和实际故障情况较为吻合,增大了模型的应用范围。     

贝叶斯网络在科研试飞安全风险评估中的应用

为提升直升机科研试飞安全水平,实现对试飞风险进行准确有效的评估,采用因果贝叶斯网络建立试飞安全风险评估系统。首先,根据直升机试飞的整体流程识别可能出现的风险事件并分类,通过风险因素间的内在关联构建贝叶斯网络拓扑结构;其次,结合专家调研数据,采用贝叶斯吐真剂算法确定各节点条件概率,利用因果贡献度和AgenaRisk软件进行灵敏度分析;最后,得到影响直升机科研试飞安全的关键风险事件。结果表明:利用因果贝叶斯网络建立的直升机科研试飞风险控制模型可以得到关键风险事件,依据分析得到的结果进行风险控制,可以满足试飞安全风险管理的需求。     

基于多源诊断信息融合的发动机气路分析

针对气路可测信息的有限性及不确定性易导致航空发动机气路分析结果准确度和精度不高的问题,提出了一种基于贝叶斯网络的多源诊断信息融合机制,以提高气路部件故障诊断的准确度和精确度.介绍了基于贝叶斯网络的气路分析方法,在此基础上提出了改进的用于多源诊断信息融合的气路分析贝叶斯网络,即以常规的气路可测参数为主,而其他诊断信息则借助故障模式先验概率表引进贝叶斯网络,实现多源信息的融合.仿真实验表明:通过融合多源信息能够准确地诊断出传统的气路分析难以识别的故障,同时降低了健康参数估计值的方差,提高了诊断结果的精确度;在观测噪声放大一倍、健康参数变化量小于1%的情况下,通过融合多源信息仍能准确的估计出健康参数变化量,且标准差均于0.1%.      

基于Leaky Noisy Or模型的民机诊断决策方法研究

针对现代民机在排故过程中面对不确定性、多源异类信息时难以进行快速诊断的问题,提出了一种基于贝叶斯Leaky Noisy Or网络的诊断决策模型。采用故障假设-观测-维修操作节点的网络结构,结合专家经验建立贝叶斯网络拓扑结构,将Leaky Noisy Or节点引入网络模型中,同时结合向前多步决策算法,构建多步决策模型。仿真实验表明,与传统方法相比,该模型能够有效解决排故中的不确定性问题,并可最大限度地融合多源异类信息,提高了诊断排故速度。     

基于自组织拓扑映射图的发动机故障诊断研究

根据SOM自组织网络的高维数据矢量量化、快速聚类、信息融合和拓扑映射等特征,建立了发动机故障诊断可视拓扑映射图模型,给出了映射模式误差测度和拓扑误差测度,并通过拓扑映射图对发动机故障进行诊断,获得了很好的效果。同时,进一步通过建立的故障模式的测量参数灰度图,可以清晰地观察到故障模式矢量特征、测量参数相关性特征、参数变化趋势,并可进行更深层次故障机理分析。     

基于桶消元的数控机床故障模糊贝叶斯网络推理方法

用模糊数描述节点的多种故障状态,用模糊子集描述根节点的故障概率,用贝叶斯网络的条件概率表描述节点间的不确定关系,构建数控机床故障的模糊贝叶斯网络;采用桶消元算法,对数控机床故障的模糊贝叶斯网络进行推理和计算,获得根节点的后验概率,为数控机床故障诊断与分析提供依据;最后,以数控机床刀架系统故障的贝叶斯网络推理过程为例,验证所提理论和方法的有效性。     

基于贝叶斯网络的某型导弹状态评估

针对传统"是非制"状态评判方法过于粗略的问题,将某型导弹状态重新细划为"优"、"良"、"中"、"差"和"故障"5个等级。在充分考虑导弹定量信息和定性信息的基础上,结合云模型建立了多状态信息融合的贝叶斯网络模型,提出了基于贝叶斯网络的状态评估方法,以期为装备质量的科学有效管理提供技术支撑。     

基于动态Bayesian网络的叶片加工质量监控与溯源

 针对叶片加工过程中质量精度不高的问题,提出了基于动态Bayesian网络的叶片加工质量监控与溯源方法.利用动态Bayesian网络建立起叶片加工工序间的相互联系,实现对整个加工过程的控制.基于Bayesian网络对影响加工工序的因素集建立因果联系,采用多元统计过程控制中的T²控制图完成对各工序影响因素集的监控.进行误差溯源时,根据Bayesian网络建立的因果关系对失控样本的T²统计量依据原因变量进行误差分解,并构建各分解变量的控制限,将其作为误差源判定的条件.通过对某叶片加工过程的仿真,验证了所提方法的有效性.     

基于粗糙集-神经网络的机载设备故障诊断方法研究

提出了一种基于粗糙集-神经网络的故障诊断方法。将粗糙集理论同神经网络结合起来可以用于机载设备的故障诊断。采用粗糙集理论对原始故障诊断样本进行处理,并根据条件属性对决策属性的正域的大小来选择条件属性,提取出对诊断故障贡献最大的最小故障特征集,从而确定神经网络的拓扑结构;通过训练神经网络建立故障特征与故障之间的映射关系,实现故障的诊断。通过A320飞机燃油系统的故障诊断仿真实例,表明这种故障诊断方法的有效性。     

Kohonen网络在发动机故障诊断中的应用

文中第一部分研究了利用Kohonen 网络进行发动机故障诊断的特点与算法。并以JT9D发动机为例对算法的有效性进行了检验,23 个故障样本的确诊率达到87% 。文中还以一个典型例子进行了详细分析。文中第二部分提出了利用Kohonen 网络进行故障诊断结果排序的方法,该方法有助于给出简明的诊断结论。文中第三部分提出了利用Kohonen 网络提取故障样本群的代表性样本的方法。该方法对于经验故障方程的建立十分有用。      

基于CWT-CNN的齿轮箱运行故障状态识别

针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换（CWT）和二维卷积神经网络（CNN）的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。      

基于频谱法与神经网络的航空起动发电机的故障检测与诊断

应用频谱法对航空直流起动发电机发电状态进行故障检测与诊断。采用对电机的电枢纹波电流信号进行频谱分析,提取该信号在频率域特征量,将频谱特征向量作为学习样本,通过训练,使神经网络能够反映频谱特征向量和故障类型的映射关系,从而达到故障检测与诊断的目的。电机故障实验和分析表明,与常规方法相比,频谱分析与神经网络相结合的方法进行实时检测和诊断具有简单、有效等优点。     

基于RDK-ELM 的航空发动机控制系统故障诊断

为保持较高诊断正确率,缩短训练时间,满足航空发动机故障诊断对于实时性和高诊断率的需求,提出1种对深度核极限学习机的简约改进方法。输入数据中随机选取部分数据作为支持向量,结合深度学习网络的多层结构,完成了对输入样本的特征提取,通过核函数实现了高维空间映射分类。数字仿真表明:算法分类正确率高,训练时间短,可应用于航空发动机控制系统的故障诊断。     

基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。